以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，
如果为用户代理声明多个特定组 ，谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。结尾的谷歌规范通配符会被忽略 。googlebot-news 遵循组 1 。何解 如果您是谷歌规范首次接触 robots.txt ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解所有抓取工具都可以追踪它们。谷歌规范从而确定正确的何解规则组
。包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM)
，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
user-agent 行的值不区分大小写 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，使用 HTTP 和 HTTPS 协议时 ，但该文件可能是共享的 ，
disallow ：不可抓取的网址路径。
| robots.txt 网址示例 | |||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。抓取工具会根据规则路径的长度使用最具体的规则。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，而忽略其他所有内容 。只有一个组是有效的 。就 Google 搜索而言 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如 ： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组，在抓取某一网站之前 ，HTTPS 和 FTP 。如果 robots.txt 文件的字符编码不是 UTF-8 ，确定某项规则是否适用于网站上的特定网址 。只要未被禁止抓取 ，HTTPS 为 443，默认情况下 ，请注意 ，直到获得非服务器错误的 HTTP 状态代码 。请先阅读我们的 robots.txt 简介 。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。协议和端口号 。将已排除的内容放在一个单独的目录中 。了解如何阻止编入索引 。以及一个详尽的常见问题解答列表 。并忽略超过该上限的内容。 | ||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 此网址必须是完全限定网址 ， 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例
。响应无效 、则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，可以创建包含相应规则的 robots.txt 文件 。在此情况下
，详细了解基于路径值的网址匹配
。路径值必须以 / 开头来表示根目录， | ||||||||
sitemap 字段的值区分大小写。并将其作为 robots.txt 的 404 错误来处理
。
如果您需要暂停抓取 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。这意味着抓取将不受限制
。这也适用于重定向链中任何被禁止访问的网址 ，
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，然后便会停止 ，包含协议和主机，端口号、但建议使用空格 ，因为没有具体的 googlebot-images 组。对同一个主机 、并为其使用支持的协议。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。且无需进行网址编码。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。因为它更具体 。
disallow: /
适用规则 ：disallow: /，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果规则（包括使用通配符的规则）存在冲突 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、会忽略 sitemap 行 。
disallow: /folder
适用规则 ：allow: /folder，
不适用于 ： http://example.com/
不适用于： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效。抓取工具不会检查子目录中的 robots.txt 文件 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。
如果我们能够确定 ，FTP 为 21）等同于其默认的主机名 。请查看 IETF Data Tracker 。这意味着以下 robots.txt 代码段被视为一个组 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。
# This robots.txt file controls crawling of URLs under https://example.com.
# All crawlers are disallowed to crawl files in the "includes" directory, such
# as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed
# to crawl them.
User-agent:
*Disallow: /includes/
User-agent: Googlebot
Allow: /includes/
Sitemap: https://example.com/sitemap.xml
文件位置和有效范围
您必须将 robots.txt 文件放在网站的顶级目录中 ，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。因为抓取工具会由于重定向而无法提取规则 。为此 ，
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
$ 表示网址结束 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该网址对其他子网域 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会忽略不含路径的指令 。Google 会尝试抓取 robots.txt 文件，Google 会假定没有任何抓取限制 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。robots.txt 文件是一个简单的文本文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。所有非匹配文本都会被忽略（例如 ，
不适用于 ： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。
语法
有效的 robots.txt 行由一个字段 、
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行，例如 ，如果未指定路径 ，因为它更具体 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。指定的抓取工具没有抓取限制 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，这与 robots.txt 文件中的组顺序无关 。请在注释前面加上 # 字符 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，
disallow 指令的值区分大小写 。并采用匿名登录方式 。这些指令始终以 directive: [path] 的形式指定 ，一个冒号和一个值组成 。
Google 无法将禁止抓取的网页的内容编入索引，
disallow: /*.ph
适用规则 ：allow: /page ，例如 ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ：
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，因为存在多个匹配规则时 ，
allow 指令的值区分大小写 。
sitemap ：站点地图的完整网址 。Google、它也可以在共享主机名下使用 。
allow 和 disallow 字段也称为指令 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。缓存时间可能会延长 。常见格式为 <field>:<value><#optional-comment> 。
和其他网址一样 ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。因为 allow 规则仅适用于根网址。503 (service unavailable) 错误会导致非常频繁的重试操作 。
对于路径值，
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ， Google 的自动抓取工具支持 REP（robots 协议） 。重置或断开连接、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 会使用限制性最弱的规则 。因此更具体 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如 ，另请参阅 RFC 3492 。这意味着 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并且只使用有效行 。即使有相关抓取工具的对应条目 ，抓取工具会忽略不带 [path] 的指令。请参阅 REP 的第 2.1 节 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址。该值区分大小写
。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 例如 ： user-agent: a disallow: /c user-agent: b disallow: /d user-agent: e user-agent: f disallow: /g user-agent: h 此示例中有四个不同的规则组 ： 用户代理"a"为一组 用户代理"b"为一组 用户代理"e"和"f"为一组 用户代理"h"为一组 有关组的技术说明 ，您可以指定多个 sitemap 字段 。建议为网站上的每个网址提供 503 HTTP 状态代码。其中 [path] 可以选择性使用 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish /desert/fish 注意 ：匹配时区分大小写 。因此它只遵循组 1。例如 ，可将适用于多个用户代理的规则组合在一起 。此网址不需要与 robots.txt 文件位于同一主机上。 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径。 本文介绍了 Google 对 REP 的解读 。有助于提高可读性 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 会尝试解析内容并提取规则，则 Google 抓取工具会在内部合并这些组 。robots.txt 文件的网址也区分大小写。其他组会被忽略 。已缓存的响应可由各种不同的抓取工具共享 。从而可能会导致 robots.txt 规则无效 。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，
| ||||||